面向深度学习重建严重截断CBCT数据中感兴趣结构的任务特定数据准备
计算机视觉与模式识别
2024-09-16 v1
摘要
锥形束计算机断层扫描（CBCT）广泛应用于介入手术和放射肿瘤学。由于平板探测器尺寸有限，解剖结构可能在有限的视野（FOV）之外缺失，这限制了 CBCT 系统的临床应用。最近，已有深度学习方法被提出用于扩展多排 CT 系统的视野。然而，在视野尺寸更小的移动式 CBCT 系统中，投影数据被严重截断，网络要恢复 FOV 外的所有缺失结构颇具挑战。在某些应用中，只有 FOV 外的特定结构是感兴趣的，例如，在肝脏/肺癌诊断的穿刺路径规划中的肋骨。因此，本文提出了一种任务特定的数据准备方法，该方法能自动让网络聚焦于感兴趣的结构，而非所有结构。我们的初步实验表明，使用常规训练的 Pix2pixGAN 存在从严重截断的 CBCT 数据中重建出假阳性和假阴性肋骨结构的风险，而使用所提出的任务特定训练的 Pix2pixGAN 能够可靠地重建所有肋骨。所提出的方法有望为 CBCT 赋能更多的临床应用。
引用
@article{arxiv.2409.08800,
title = {Task-Specific Data Preparation for Deep Learning to Reconstruct Structures of Interest from Severely Truncated CBCT Data},
author = {Yixing Huang and Fuxin Fan and Ahmed Gomaa and Andreas Maier and Rainer Fietkau and Christoph Bert and Florian Putz},
journal= {arXiv preprint arXiv:2409.08800},
year = {2024}
}
备注
Published in the CT-Meeting 2024 proceeding. arXiv admin note: text overlap with arXiv:2108.13844